金融数据分析—以Python为工具 课件 12、个人贷款信用风险评估.pptx

金融系胡文彬Python金融数据分析

个人贷款信用风险评估Chapter12

12.1信用风险分析概览信用风险（creditrisk）又称违约风险，是指合约义务方（例如借款人或损失方），不愿或无力履行合约条件而构成违约，致使权利方遭受损失的风险。信用风险管理对于金融机构，特别是银行而言非常重要。借助金融科技的力量，对历史数据进行分析，建立信用风险评估模型，是评估信用风险的重要手段。

12.1信用风险分析概览信用风险评估建模包括对违约概率、违约损失率以及违约风险暴露的建模。其中违约概率是最重要的信用风险研究对象。根据被评估对象的不同，可分为企业信用风险评估和个人信用风险评估。对于个人通常称为信用评分（creditscoring），信用评分也适用于中小企业，常见的个人信用评分有FICO信用分、芝麻信用分等。

12.1信用风险分析概览信用风险评估的方法主要有三大类，分别是专家系统、金融模型和数据驱动模型。1） 专家系统早期的信用风险评估主要是一些简单定性的方法，依赖于有经验的专家的判断，因此又称为专家系统。

12.1信用风险分析概览2） 金融模型指从经济金融的逻辑出发，从理论上用模型来刻画信用风险，并解释违约的机理，对应于第8章中的基于金融理论的建模。金融模型主要可以分为结构化模型和约化模型两大类。

12.1信用风险分析概览3） 数据驱动模型数据驱动模型不从金融逻辑出发，基于信用风险的历史数据用机器学习方法进行建模，并对违约进行预测，对应于第8章中的基于机器学习的数据建模。数据驱动模型适用于对中小企业和个人的信用风险评估，即信用评分。信用评分可分为申请评分、行为评分、盈利评分。

12.1信用风险分析概览信用风险评估中关于违约概率的预测可以抽象为一个分类问题，贷款申请人根据违约概率可分为好、坏等不同的类别。因此，对于个人信用评估可以用机器学习中的分类模型来解决。相关数据可以从各种来源获得，包括金融机构内部和其他信贷机构以及信贷评级机构。这些数据主要涉及借款人和贷款的特征，以及与外部环境有关的其他风险因素。

12.2Logistic回归模型?

12.2Logistic回归模型?

12.2Logistic回归模型?

12.3相关Python库介绍scikit-learn（官网：/stable/#）是一个著名的Python机器学习库，包含在Anaconda中。scikit-learn库基于NumPy、SciPy和Matplotlib，提供了机器学习领域分类、回归、聚类和降维的各种模型接口，同时提供了强大的模型选择和性能评估、数据预处理等功能。

12.3相关Python库介绍Logistic回归属于线性回归模型，在scikit-learn中对应的函数是LogisticRegression()。Logistic回归用于分类问题时总体遵循机器学习的流程（见8.3.2节），具体实现步骤为：数据预处理训练测试样本分割模型构建模型预测模型评估

12.3相关Python库介绍X_train,X_test,y_train,y_test=train_test_split(X,y,test_size,random_state=None)model=LogisticRegression(max_iter=100,fit_intercept=True)#模型初始化，生成模型对象model.fit(X_train,y_train)#模型训练y_pred=model.predict(X_test)#模型预测，预测类别cm=confusion_matrix(y_test,y_pred)#得到混淆矩阵classification_report(y_test,y_pred)#得到测试报告fpr,tpr,thresholds=roc_curve(y_test,y_score)#得到ROC曲线roc_auc_score(y_test,y_score)#计算AUCX_train,X_test,y_train,y_test=train_test_split(X,y,test_size,random_state=None)

案例分析：基于Logistics回归的个人信用风险评估具体案例结果见JupyterNotebook代码文件